Highway-rail grade crossings accident prediction using Zero Inflated Negative Binomial and Empirical Bayes method

Introduction: Recently the Federal Railroad Administration (FRA) released a new model for accident prediction at railroad grade crossings using a Zero Inflated Negative Binomial (ZINB) model with Empirical Bayes (EB) adjustments for accident history (2). This new model is adopted from the work that was conducted by the authors (3–6). The unique feature of the new FRA model is that it has a single equation for all three warning devices (crossbuck, flashing light, and gates) and uses the same variables regardless of the warning devices at the crossing. Since the New FRA model incorporates the warning device category as one of the variables in its model equation, the predicted accident frequency is higher when a crossing has crossbucks than flashing lights, and higher when it has flashing lights than gates. While this model is significantly better than the old USDOT model (7), its shortcoming is that the single equation does not accurately represent the field condition. Method: This paper presents the ZINEBS model (Zero Inflated Negative binomial with Empirical Bayes adjustment System). The ZINEBS model gives three different equations depending on the type of warning device used at the crossings (gates, flashing lights, and crossbucks). The three equations use variables, some of which are common across all warning devices, while other variables are specific to a warning device. The predicted values for the ZINEBS model show a closer agreement with the field data than the new FRA model. This observation was true for all three warning device types analyzed. Practical Applications: Based on the results of this study, the ZINEBS compliments the new FRA model and should be used when the single equation is not adequately representing the role of traffic control device types and relevant variables associated with that device type.     

基于改进多目标粒子群算法的航空器改航研究

针对影响航行安全的动态危险天气,提出了一种基于改进多目标粒子群算法的改航路径规划方法。首先,获取实时动态气象数据,利用栅格法对改航环境进行建模并采集危险天气区域初始边界点的历史气象数据。然后采用灰色预测模型对上述初始边界点坐标进行位置预测,进而建立改进后的实时动态环境模型。最后利用改进环境模型的多目标粒子群算法对改航路径进行动态规划。在考虑改航路径角度和距离等约束条件的基础上,确定了改航路径危险系数和距离最优的双目标函数。对中东部沿海某次短时危险天气下的航空器改航进行仿真分析,仿真结果表明改进后算法具有一定的有效性和可行性。     

基于支持向量机的室内轰燃预测模型研究

为对室内轰燃进行准确预测,针对室内轰燃样本的不足在一定程度上制约了其应用,为此运用SVM技术构建室内轰燃预测的数学模型。在小样本条件下,应用工具软件LIBSVM进行仿真,并将SVM模型预测结果和人工神经网络预测结果进行对比。结果显示,SVM技术能较好地解决小样本和模型预测精确度之间的矛盾,SVM模型其预测精度及可行性高于神经网络模型。实例表明,由于室内火灾受多种因素影响,传统的预测方法存在一定的局限性,而SVM模型预测法预测的结果与试验结果比较一致。     

人工神经网络在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生机理的复杂性,传统预测方法的应用受到很大的限制,而人工神经网络理论以其高度非线性映射的特性为解决这一问题提供了新的途径。以突出预测指标为基础,利用多层反向传播神经网络(BP网络)模型实现对突出危险性的预测。实例分析表明,模型精度很高,可用于工作面煤与瓦斯突出危险性的预测。     

矿井瓦斯涌出量预测的GM(1,1)模型研究

矿井瓦斯渗出量预测,对矿井安全及正常生产至关重要。由于矿井瓦斯涌出量的影响因索、关联变量和约束条件复杂,对各因素之间的影响程度难以区分和把握,因此在预测预报中的精度较差。而采用灰色理论则具有高度的概括性,可以把各种不确定的因素,统一用一个简单的“灰数”表示,预测精度高而且使用简单。在分析某矿历年来相对瓦斯涌出量的基础上,应用灰色系统理论对其瓦斯涌出量进行了预测,其方法与结果对预防煤矿恶性事故的发生,悍证煤矿的安全生产具有重要意义。     

BP神经网络法预测唐山市需水量

需水量预测研究已成为当前水资源规划与管理研究中的重要课题之一.本文设定不同的神经网络运行次数,根据预测结果进行误差分析,BP神经网络在运行5 000次时,具有高度的可信度和可行性.应用5 000次运行次数的BP神经网络模型对唐山市规划水平年的需水量进行预测.最后引入人均综合用水量概念,结果表明,预测结果在理论上和实际上都具有可行性.     

应用多维多箱与高斯模型结合的复合模型预测大气环境质量

根据北京市市区自然环境、污染气象特征、大气环境过程及区域污染源分布等现有信息,建立了用于大气环境质量预测的多维多箱与高斯模型结合的复合模型,对北京市市区采暖季(2002年1月)和非采暖季(2002年8月)特征污染物SO2和PM10的质量浓度进行了预测.将预测结果与地面监测值比较分析后发现,多维多箱与高斯模型结合的复合模型预测大气环境质量产生的相对误差在25%以内.     

防疫豁免政策下的飞行机组舱内警觉性预测仿真

为验证《疫情期间豁免机组成员值勤期、飞行时间限制的实施办法》的可行性,以及为其提供科学依据.以飞行机组成员在驾驶舱内的警觉性变化为验证指标,基于警觉能理论,建立量化评估驾驶舱内飞行机组警觉性的数学模型,以飞行过程中的轮换安排为例进行舱内机组警觉性的数值模拟仿真,并对比分析"CCAR-121部"规章与"豁免办法"中不同飞...     

矿区疏干诱发岩溶塌陷特征分析及预测

针对某矿山疏干诱发岩溶塌陷的现状,分析其塌陷分布特征。提出6个影响塌陷的控制参数。采用相关分析方法量化各控制参数对塌陷的影响。相关性分析结果表明,塌陷的主要影响因素是第4系土层厚度、水位变幅及岩溶含水层渗透系数,其中岩溶含水层渗透系数对塌陷的影响最显著。应用Logistic回归方法,建立岩溶塌陷预测模型。划分出矿区塌陷危险区的具体空间位置,共有3个区域:高危区(渗透系数大于5 m/d);危险区(渗透系数为2.5～5 m/d);活跃区(渗透系数小于2.5 m/d)。     

基于相似试验的尾矿库溃坝泥石流预测分析

模型试验是较为准确预测尾矿型泥石流危害影响范围的研究手段。以四川盐源平川铁矿58号尾矿库为研究原型,应用相似试验原理建立该库的试验模型,进行全溃坝试验。试验中冲击压力在断面1达到峰值21 kPa;泥深呈周期性变化在断面2达到最大值5.8 cm,流速随泥石流演进长度不断减小,在断面1出现最大流速1.7 m/s。试验结果表明,溃坝泥石流的冲击压力、泥深和流速在运动过程中先快速到达峰值,然后逐渐减小,而泥深的变化呈现一定的波动性。各断面冲击压力、泥深和流速的峰值出现的时间并不相同,其出现先后与流通地形有很大关联。